Ce document propose CF-NADE, une architecture neuronale autorégressive pour les tâches de filtrage collaboratif (CF), inspirée par le modèle de CF basé sur les machines de Boltzmann restreintes (RBM) et l'estimateur de distribution neuronale autorégressive (NADE). Nous décrivons d'abord le modèle CF-NADE de base pour les tâches de CF. Ensuite, nous proposons d'améliorer ce modèle en partageant des paramètres entre différentes notes. Une version factorisée de CF-NADE est également présentée pour une meilleure scalabilité. De plus, nous prenons en compte la nature ordinale des préférences et proposons un coût ordinale pour optimiser CF-NADE, ce qui montre des performances supérieures. Enfin, CF-NADE peut être étendu à un modèle profond, avec une complexité computationnelle n'augmentant que modérément. Les résultats expérimentaux montrent que CF-NADE avec une seule couche cachée surpassent toutes les méthodes précédentes de pointe sur les jeux de données MovieLens 1M, MovieLens 10M et Netflix, et que l'ajout de couches cachées supplémentaires peut encore améliorer les performances.